Pengaruh Normalisasi Data pada Jaringan Syaraf Tiruan Backpropagasi Gradient Descent Adaptive Gain (BPGDAG) untuk Klasifikasi
|
|
- Yanti Siska Kusnadi
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Pegaruh Normalisasi Data pada Jariga Syaraf Tirua Bacpropagasi Gradiet Descet Adaptive Gai (BPGDAG utu Klasifiasi Nurul Chamidah Jurusa Tei Iformatia Faultas MIPA UNS Jl. Ir. Sutami No. 36 A Suraarta urulchamidah.2007@gmail.com iharto Jurusa Tei Iformatia Faultas MIPA UNS Jl. Ir. Sutami No. 36 A Suraarta wi_harto@yahoo.com Umi Salamah Jurusa Tei Iformatia Faultas MIPA UNS Jl. Ir. Sutami No. 36 A Suraarta umi_salamah@yahoo.com ABSTRAK Algoritma pelatiha pada multilayer perceptro megguaa bacpropagasi, biasaya fugsi aitvasi yag diguaa adalah fugsi sigmoid. Fugsi tersebut aa membawa ilai iput dega rage yag ta terbatas e ilai output yag terbatas, yaitu dalam sebuah rage 0 sampai. Supaya dapat membawa rage ilai output e dalam rage iput, maa data iput harus dilaua ormalisasi data e dalam rage 0 sampai, sehigga outputya dapat di deormalisasi e dalam rage ilai iput. Metode ormalisasi ada bermacam-mcam, masalahya, metode maa yag palig efetif utu asus lasifiasi megguaa algoritma pelatiha BPGD/AG. Peelitia ii aa megaalisa metode ormalisasi maa yag palig efetif utu meglasifiasi data pada algoritma BPGD/AG. Esperime dilaua pada data aer payudara yag dilasifiasia e dalam aer gaas da aer ia. Hasil evaluasi meuua bahwa metode ormalisasi Mi-Max memberia aurasi tertiggi higga 96.86% dega rata-rata iterasi sebaya 2 epoch. Kata Kuci Bacpropagasi, Normalisasi, Deormalisasi, Mi-max, Sigmoid.. PENDAHULUAN Syaraf Tirua (JST merupaa salah satu metode yag dapat diguaa utu meglasifiasi data, dimaa lasifiasi diperlua utu mempredisi elas dari suatu data. JST efetif diguaa dalam lasifiasi data yag umlah variabelya cuup baya da memilii orelasi variabel yag omples. Kelebiha JST salah satuya adalah emampuaya dalam beradaptasi da mampu belaar dari data masua yag diberia sehigga dapat memetaa hubuga atara masua da eluaraya. Selai itu JST mampu mempredisi eluara berdasara masua yag telah dilatiha sebelumya. JST mempuyai baya strutur ariga, diataraya multilayer perceptro. Utu melaua pelatiha pada strutur ii megguaa algoritma bacpropagasi. Algoritma pelatiha pada multilayer perceptro megguaa bacpropagasi, biasaya fugsi aitvasi yag diguaa adalah fugsi sigmoid. Fugsi tersebut aa membawa ilai iput dega rage yag ta terbatas e ilai output yag terbatas, yaitu dalam sebuah rage 0 sampai []. Supaya dapat membawa rage ilai output e dalam rage iput, maa data iput harus dilaua ormalisasi data e dalam rage 0 sampai, sehigga outputya dapat di deormalisasi e dalam rage ilai iput. Metode ormalisasi ada bermacam-mcam, masalahya, metode maa yag palig efetif utu asus lasifiasi. Beberapa peelitia yag beraita dega metode ormalisasi sudah perah dilaua, diataraya peelitia Jayalashmi [2]. Peelitia tersebut membahsa tetag pegaruh metode ormalisasi pada algoritma bacpropagasi dega asus diabetes mellitus. Algoritma pelatiha yag diguaa adalah algoritma bacpropagasi mometum. Algoritma tersebut merupaa perbaia dari algoritma gradiet descet. Metode ormalisasi yag diguaa belum megaomodasi dua buah metode ormalisasi yaitu decimal scalig da softmax.. Selai itu dalam peelitia tersebut megabaia missig value. Berdasara peelitia yag dilaua Pauli da Sathaumara [3] pembuaga istace data yag megadug missig value aa mempegaruhi aurasi dalam diagosa. Peelitia beraita dega perbaia algoritma gradiet descet utu pelatiha multi-layer perceptro telah baya dilaua. Perbaia tersebut bertuua utu meigata performa dari JST, bai dalam hal aurasi maupu ecepata overgesi. Selai dega mometum, perbaia algoritma dega meambaha parameter Gai yag ilaiya adaptive, sehigga meadi Bacpropagasi Grediet Descet dega Adaptive Gai (BPGD/AG [7]. Algoritma BPGD/AG terbuti mampu meigata efetifitas predisi da ecepata traiig utu predisi dari data peyait atug [9]. Beragat dari peelitia-peelitia tersebut, peeliti aa megaalisis efetifitas lasifiasi data dega metode ormalisasi softmax, mi-max, z-score, sigmod, decimal scalig da statistical colum. Data yag aa di alsifiasi sebelum diormalisasi dilaua pembuaga istace data yag megadug missig value dega metode media. Algoritma pembelaara yag diguaa utu pelatiha multilayer perceptro dipilih algoritma Bacpropagasi Gradiet Descet dega Adaptive Gai (BPGD/AG utu medapata hasil lasifiasi yag optimal pada asus aer payudara. 2. METODE PENELITIAN Lagah era esperime dalam peelitia dilaua melalui beberapa tahapa. Tahapa-tahapa tersebut dituua pada gambar beriut 28
2 Gambar Lagah-lagah peelitia. Meload data 2. Mereplace missig value dega metode media 3. Meormalisasi data dega memvariasia metode ormalisasi agar rage ilaiya atara ol da satu. Data terormalisasi ii atiya aa diguaa sebagai iput dalam JST. 4. Membagi data meadi dua bagia, 80% utu traiig da 20% utu test. 5. Membuat arsitetur eural etwor dega tiga layer yai iput layer, hidde layer, da output layer. Dimaa umlah ode iput sama dega umlah iput dari asus, umlah ode hidde euro pada hidde layer sebaya eam euro, da satu ode output. 6. Utu setiap data terormalisasi dega metode yag berbeda, dilaua lagah vii - ix 7. Melatih ariga dega data traiig dega epoch tertetu. 8. Melaua tes dega data tes 9. Megevaluasi eaurata lasifiasi utu data terormalisasi. 0. Selesai 2. Data set Klasifiasi ii diapliasia pada dataset aer payudara yag diperoleh dari UCI Machie Learig Repository [4] sumbaga Rumah Sait Uiversity of iscosi Madiso dari Dr. illiam H. olberg [4] di Jumlah data 699 dega 6 ilai atribut yag hilag, 458 (65.5% tumor ia da 24 (34,5% tumor gaas dega desripsi atribut sebagai beriut. Tabel Atribut data aer No. Atribut Domai. Sample code umber id umber 2. Clump Thicess 0 3. Uiformity of Cell Size 0 4. Uiformity of Cell Shape 0 5. Margial Adhesio 0 6. Sigle Epithelial Cell Size 0 7. Bare Nuclei 0 8. Blad Chromati 0 9. Normal Nucleoli 0 0. Mitoses 0. Class utu aer ia, utu aer gaas 2.2 Preproses Data Preproses data dilaua dega mereplace missig value da meormalisasi data e dalam rag 0 da dega megguaa beberapa metode. Beriut metode preproses yag diguaa dalam peelitia ii ; a. Mereplace Missig value Data yag hilag (missig value di-replace dega metode media. ai dega mecari ilai tegah da me-replace semua ilai yag hilag dega ilai tegah tersebut. Metode ii merupaa metode replacemet yag palig bai utu asus iscosi breast Cacer Diagosis dega Bacpropagsi [3]. Nilai tegah utu data gail : Me X 2 Nilai tegah utu data geap : ( X X 2 2 Me (2 2 b. Normalisasi Metode ormalisasi yag diguaa dalam peelitia ii adalah dega metrasformasi data e dalam rage 0 da. Metode - metode yag diguaa atara lai : Decimal scalig: diguaa etia ilai berada dalam retag logaritmi, misalya retag suatu ilai adalah atara 0 da sedaga ilai lai pada retag 0 da 000 [7]. s s' (3 0 Dimaa log max{s } 0 Sigmoid : metode ii megubah ilai edalam rage atara 0 da dega fugsi sigmoid []. s' (4 s e Softmax : metode ii megubah ilai edalam rage atara 0 da megguaa fugsi sigmoid dega memafaata mea da stadar deviasi []. 29
3 s' e sµ ( σ (5 Dimaa µ adalah rata-rata dari tiap olom da σ merupaa stadar deviasi. Mi-max ormalizatio: metode ii me-rescale data dari suatu rage e rage baru lai. Data di salaa dalam rage 0 da. Diberia ilai yag bersesuaia (dalam satu olom {s},,2,... Maa ilai ormalisasiya adalah [] : s mi{s } s' (6 max{s } mi{s } Statistical colum : meormalisasi tiap sampel dega sebuah ilai olom terormalisasi yai dega trasformasi sqrt [3], yai dega meghitug ormalisasi dari tiap olom dega megaar uadrata emudia setiap sampel dibagi dega ilai ormalisasi olom tersebut da dialia dega ilai bias ecil []. s(i (c a s' 0. (7 (c a -score: tei ii megguaa rata-rata da stadar deviasi utu meormalisasi tiap iput []. sµ s' (8 σ 2.3 Strutur Jariga Syaraf Tirua Kosep algoritma bacpropagsi adalah meyesuaia bobot ariga dega mempropagasi error dari output e iput. Selama pelatiha, ariga memiimisasi error dega megestimasi bobot da berheti pada Miimum Squared Error (MSE 0.05 atau masimal iterasi sebaya 000 epoch. Prosedur miimasi dilaua dega Bacpropagasi Gradiet Descet dega Adaptive Gai (BPGD/AG da fugsi ativasi sigmoid. Beriut strutur ariga syaraf tirua multilayer perceptro dega satu hidde layer Arsitetur yag diguaa dalam BPGD/AG ii adalah satu iput layer, satu hidde layer, da satu output layer dega formasi euro fugsi ativasi yag dipaai adalah fugsi sigmoid dega learig rate 0.0. Pada iput layer, yag meadi iput euro adalah iput variabel data asus dega sembila variabel yai, Clump Thicess, Uiformity of Cell Size, Uiformity of Cell Shape, Margial Adhesio, Sigle Epithelial Cell Size, Bare Nuclei, Blad Chromati, Normal Nucleoli, da Mitoses. Pada hidde layer terdapat eam hidde euro [0]. Pada Output layer terdapat satu hidde euro utu output, yai hasil lasifiasi apaah aer tersebut ia atau gaas. Algoritma Feed forward Bacpropagatio Gradiet Descet dega Adaptive Gai yag diguaa utu pelatiha adalah sebagai beriut : Tahapa 0 : Tahapa : Pemberia iisialisasi bobot, bias da gai dega ilai tertetu. Mealaa semua tahapa dari tahapa e 2 sampai dega tahapa e 5 higga odisi iterasi terpeuhi. Tahapa 2 : Setiap data pelatiha melaua lagah 3 sampai dega lagah 4. Feedforward Tahapa 3 : Utu setiap uit masua (Xi,... meerima siyal masua da diberi otasi Xi emudia diirima e uit beriutya yaitu uit hidde layer. Tahapa 4 : Pada masig-masig hidde euro, iput Xi dialia dega peimbag da diumlaha serta di tambah dega biasya. _i X i i i 0 (9 Kemudia melaua fugsi pegatifa megguaa: f(_i (0 Dalam betu Sigmoid fugsi pegatifaya meadi: c_z _i ( e Setelah melewati tahap pegatifa maa eluaraya diirim e semua uit eluara. Tahapa 5 : Utu setiap uit eluara (,,2,...m, uit dialia dega peimbag da diumlaha serta ditambaha dega biasya: p _i 0 Kemudia dilaua fugsi pegatifa: (2 Gambar 2 Strutur Jariga syaraf Tirua Multilayer perceptro f(_i (3 30
4 0 0 0 (23 Dalam fugsi Sigmoid meadi : Bacpropagasi da perubaha bobot Tahapa 6 : Tahapa 7 : Tahapa 8 : Tahapa 9 : c_y _i e (4 Pada setiap uit eluara berupa medapata pola target seperti pola masua saat pelatiha da dihitug errorya: 2 E (t (5 Meghitug perubaha bobot pada li meuu output η (6 Betu hasil turua parsialya η(t ( c_y Meghitug perubaha bias pada li meuu output 0 η (7 0 Betu hasil turua parsialya 0 (8 η(t ( c_y Meghitug perubaha bobot pada li meuu hidde euro i η (9 i Betu hasil turua parsialya i η c_y ( (t tmp c_z ( X (20 i Tahapa 0: Meghitug perubaha bias pada li meuu hidde euro E 0 η (2 0 Tahapa : Megupdate semua bobot da bias * tmp i i i ( (25 Tahapa 2 : Meghitug perubaha gai pada output c_y η (26 c_y dimaa, (t ( c_y Sehigga ( c_y η(t ( ( Tahapa 3 : Meghitug perubaha gai pada hidde euro c_z η (27 c_z dimaa, c_z ( Sehigga c_z ( η 0 0 [ c_y ( (t ] i X i 0 [ c_y ( (t ] Tahapa 4 : Megupdate gai Tahapa 5 : Iterasi berahir Kodisi berheti i X i 0 c_y c_y c_y (28 c_z c_z c_z (29 Epoch masimal iterasi E umlahdata Atau MSE (30 umlahdata * * (22 3
5 3. PEMBAHASAN Esperime ii dilaua dega dua proses, yai proses traiig da proses testig. Dari 699 record data, proses traiig megguaa 80% dari data, yai dega meradom 80% record dari data aer ia da 80% record dari data aer gaas, sedaga sisaya utu proses testig yag dilaua dega megguaa radom 20% data, terdiri dari 20% record dari aer ia da 20% dari aer gaas. Pada setiap satu variasi esperime, dilaua seratus ali pegulaga. Setiap pegulaga pada proses traiig, diberia ilai iisial bobot radom da didapata umlah iterasi utu mecapai overgesi. Percobaa berheti pada MSE atau pada masimal iterasi da diasumsia telah mecapai overgesi serta meghasila bobot yag aa diguaa utu testig. Setiap bobot hasil traiig yag telah overge dipaai utu melaua testig. Data lasifiasi hasil testig dibadiga dega data lasifiasi yag sebearya sehigga diperoleh umlah data yag dipredisi bear da yag dipredisi salah. Evaluasi dari esperime dilaua dega megambil rata-rata epoch da aurasi dari seratus peguia, hasil peguia pada peelitia ii dapat dilihat pada Tabel 2. Tabel 2 Perbadiga metode ormalisasi Kriteria rata-rata rata-rata Metode epoch aurasi (% decimal scalig sigmoid softmax mi-max statistical colum zscore palig tiggi utu asus lasifiasi aer payudara. Hasil perbadiga meuua bahwa ormalisasi dega metode mimax memberia rata-rata aurasi tertiggi bila dibadiga dega metode lai serta memerlua epoch yag palig sediit, (% decimal scalig sigmoid 76.9 softmax mimax statistical colum Metode Gambar 4 Rata-rata aurasi zscore 4. PENUTUP Peelitia ii meuua pegaruh metode ormalisasi data pada algoritma JST Bacpropagasi Gradiet Descet dega Adaptive Gai (BPGD/AG utu lasifiasi yag diuia dega data asus aer payudara. Evaluasi dari esperime meuua bahwa efetifitas JST BPGD/AG sagat dipegaruhi oleh metode ormalisasi yag dipilih utu mecapai aurasi terbai, da metode ormalisasi yag memberia efetifitas terbai dalam hal aurasi da ecepata overgesi adalah metode Mimax yag mecapai aurasi rata-rata higga 96.86% da memerlua iterasi yag palig sediit dega rata-rata sebaya 2 epoch. Perbadiga ratarata epoch dari berbagai metode ormalisasi dituua pada Gambar 3, daro gambar tersebut dapat dilihat bahwa mimax memilii rata-rata epoch palig redah yag berarti metode mimax memilii watu yag palig sigat utu mecapai overgesi. Epoch decimal scalig 40 sigmoid 584 softmax 49 Metode mimax Gambar 3 Rata-rata epoch Sedaga perbadiga rata-rata aurasi dituua pada Gambar 4 dimaa metode mimax memilii aurasi yag 2 statistical colum zscore DAFTAR PUSTAKA [] Kusumadewi, Sri. Membagu Jariga Syaraf Tirua Megguaa Matlab & Exel Li Graha Ilmu. ogyaarta. pp [2] Jayalashmi, T. ad Sathaumara, A. 20. Statistical Normalizatio ad Bac Propagatio for Classificatio. Iteratioal Joural of Computer Theory ad Egieerig. III(. [3] Pauli, F. ad Sathaumara, A A Algorithm to Recostruct the Missig alues for Diagosig the Breast Cacer. Global Joural of Computer Sciece ad Techology. X(2. [4] Bishop C.M., Neural Networs for patter recogitio. 995:Oxford Uiversity Press. [5] Huag H.., A uified Approach to quadratically coverget algorithms for fuctio miimizatio. J. Optim. Theory Applicatio, 970.5:p [6] M. R. Hestees ad E. Stiefel, Methods of cougate Gradiet fr solvig liear systems. J. Research NBS, :p.409. [7] Nadaumar, K., Ail J., Aru R Score Normalizatio i Multimodal Biometric Systems. Patter Recogitio 38. pp [8] Nawi, N. M., M. R. Rasig, ad R. S. Rasig. A New Improvemet Of Bac-Propagatio Neural Networ Learig Algorithms ith Adaptive Gai. Sciece ad Techology. Joural of
6 [9] Nawi, N. M., R. Ghazali ad M.N.M. Salleh. 20. Predictig Patiets with Heart Disease by Usig a Improved Bac-propagatio Algorithm. Joural of Computig. III(2 : [0] Pauli F. ad Sathaumara A Bac Propagatio Neural Networ by Comparig Hidde Neuro: Case Study o Breast Cacer Diagosis. Iteratioal Joural of Computer Applicatio, II(4. [] Priddy, Kevi L. ad Paul E. Keller Artificial Neural Networs: A Itroductio, ashigto : SPIE - The Iteratioal Society for Optical Egieerig. [2] R.A. Jacobs, Icreased rates of covergece through learig rate adaptatio. Neural Networs, 988.:p [3] Roberts, Seth Statistics colum : Trasform your data. Nutritio 24. pp [4] UCI Machie Learig Repository. [ Irvie, CA: Uiversity of Califoria, Ceter for Machie Learig ad Itelliget Systems [5] olberg. H. Ad Magasaria O.L, Multisurface method of patter separatio for medical diagosis applied to breast cytology, i proceedigs of the Natioal Academy of Scieces, vol. 87, , U.S.A.,*(Dec
Resilent Backpropagation Neural Network Dalam Modelisasi Curah Hujan Limpasan Studi Kasus: DAS Tukad Nyuling
Resilet Bacpropagatio Neural Networ Dalam Modelisasi Curah Hua Limpasa Studi Kasus: DAS uad Nyulig Oleh: Putu Doddy Hea Ardaa ABSRAK Peelitia ii meyelidii tetag eguaa Resilet Bacpropagatio Neural Networ
Lebih terperinciEXPERT SYSTEM DIAGNOSA JENIS PENYAKIT GIGI MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION. Komang Aryasa
Komag, Expert System Diagosa Jeis 81 EXPERT SYSTEM DIAGNOSA JENIS PENYAKIT GIGI MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION Komag Aryasa STMIK Dipaegara Maassar, Jl. Peritis Kemerdeaa Km.9 Telp (0411)
Lebih terperinciGambar 3.1Single Channel Multiple Phase
BAB III MODEL ANTRIAN PADA PEMBUATAN SIM C. Sigle Chael Multiple Phase Sistem atria sigle chael multiple phase merupaa sistem atria dimaa pelagga yag tiba, dapat memasui sistem dega megatri di tempat yag
Lebih terperinciRepresentasi sinyal dalam impuls
Represetasi siyal dalam impuls Represetasi siyal dalam impuls adalah siyal yag diyataa sebagai fugsi dari impuls atau sebagai umpula dari impuls-impuls. Sembarag siyal disret dapat diyataa sebagai pejumlaha
Lebih terperinciTEOREMA CAYLEY-HAMILTON SEBAGAI SALAH SATU METODE DALAM PENGHITUNGAN FUNGSI MATRIKS
Jural Matematia Vol.6 No. November 6 [ 5 : ] TEOREMA CAYLEY-HAMILTON SEBAGAI SALAH SATU METODE DALAM PENGHITUNGAN FUNGSI MATRIKS Ooy Rohaei Jurusa Matematia, UNISBA, Jala Tamasari No, Badug,6, Idoesia
Lebih terperinciBAB II LANDASAN TEORI. gamma, fungsi likelihood, dan uji rasio likelihood. Misalkan dilakukan percobaan acak dengan ruang sampel C.
BAB II LANDASAN TEORI Pada bab ii aa dibahas teori teori yag meduug metode upper level set sca statistics, atara lai peubah aca, distribusi gamma, fugsi gamma, fugsi lielihood, da uji rasio lielihood.
Lebih terperinciKINERJA METODE EXTREME LEARNING MACHINE (ELM) PADA SISTEM PERAMALAN
Vol 1, No 3 Desember 2010 ISSN 2088-2130 KINERJA METODE EXTREME LEARNING MACHINE (ELM) PADA SISTEM PERAMALAN * Bai Khusul Khotimah, ** Eka Mala Sari R, *** Hadry Yuliaarta Jurusa Tekik Iformatika, Fakultas
Lebih terperinciMODUL 1.03 DINAMIKA PROSES. Oleh : Ir. Tatang Kusmara, M.Eng
MODUL 1.03 DINMIK PROSES Ole : Ir. Tatag Kusmara, M.Eg LBORTORIUM OPERSI TEKNIK KIMI JURUSN TEKNIK KIMI UNIVERSITS SULTN GENG TIRTYS CILEGON BNTEN 2008 2 Modul 1.03 DINMIK PROSES I. Pedaulua Dalam bidag
Lebih terperinciDeret Positif. Dengan demikian, S = 1: Kemudian untuk deret lain, misalkan L = : Maka
oi eswa (fmipa-itb) Deret Positif Deret (ta berhigga) adalah ugapa berbetu a + a + a 3 + a 4 + dega a i disebut suu. Pejumlaha ii berbeda dega pejumlaha dua, tiga, atau berhigga bilaga. Maa, ita perlu
Lebih terperinciMACAM-MACAM TEKNIK MEMBILANG
0 MACAM-MACAM TEKNIK MEMBILANG ATURAN PERKALIAN Beriut ii diberia sebuah dalil tetag peetua baya susua yag palig sederhaa dalam suatu permasalaha yag beraita dega peluag. Dalil 2.1: ATURAN PERKALIAN SECARA
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN PADA DATA MULTIVARIATE
Semiar Nasioal Statistia X stitut Teologi Sepuluh Nopember, 7 November 009 APLKAS JARNGAN SYARAF TRUAN PADA DATA MULTVARATE Dra. Kartia Fitriasari, M.Si da Putri Susati Dose Jurusa Statistia FMPA-TS, Surabaya
Lebih terperinciPEMBAHASAN SOAL OSN MATEMATIKA SMP TINGKAT PROPINSI 2011 OLEH :SAIFUL ARIF, S.Pd (SMP NEGERI 2 MALANG)
PEMBAHASAN SOAL OLIMPIADE SAINS NASIONAL SMP A. ISIAN SINGKAT SELEKSI TINGKAT PROPINSI TAHUN 011 BIDANG STUDI MATEMATIKA WAKTU : 150 MENIT 1. Jia x adalah jumlah 99 bilaga gajil terecil yag lebih besar
Lebih terperinciBAB 2 LANDASAN TEORI. lebar pita sinyal tersebut. Pada kebanyakan aplikasi, termasuk kamera digital video dan
BAB LADASA TEORI Teorema Shao-yquist meyataa agar tida ada iformasi yag hilag etia pecuplia siyal, maa ecepata pecuplia harus miimal dua ali dari lebar pita siyal tersebut. Pada ebayaa apliasi, termasu
Lebih terperinciMODUL BARISAN DAN DERET
MODUL BARISAN DAN DERET SEMESTER 2 Muhammad Zaial Abidi Persoal Blog http://meetabied.wordpress.com BAB I. PENDAHULUAN A. Desripsi Dalam modul ii, ada aa mempelajari pola bilaga, barisa, da deret diidetifiasi
Lebih terperinciDeret Positif. Dengan demikian, S = 1: Kemudian untuk deret lain, misalkan L = : Maka
oi eswa (fmipa-itb) Deret Positif Deret (ta berhigga) adalah ugapa berbetu a + a + a 3 + a 4 + dega a i disebut suu. Pejumlaha ii berbeda dega pejumlaha dua, tiga, atau berhigga bilaga. Maa, ita perlu
Lebih terperinciBAB III TAKSIRAN PROPORSI POPULASI JIKA TERJADI NONRESPON. Dalam bab ini akan dibahas penaksiran proporsi populasi jika terjadi
BAB III TAKSIRA PROPORSI POPULASI JIKA TERJADI ORESPO Dalam bab ii aa dibaas peasira proporsi populasi jia terjadi orespo da dilaua allba sebaya t ali. Selai itu, juga aa dibaas peetua uura sampel yag
Lebih terperinciBAB V RANDOM VARIATE GENERATOR (PEMBANGKIT RANDOM VARIATE)
BAB V RANDOM VARIATE GENERATOR (PEMBANGKIT RANDOM VARIATE) 5.1. Pembagit Radom Variate Disrit Suatu Radom Variate diartia sebagai ilai suatu radom variate yag mempuyai distribusi tertetu. Utu megambil
Lebih terperinciSifat-sifat Fungsi Karakteristik dari Sebaran Geometrik
Sifat-sifat Fugsi Karateristi dari Sebara Geometri Dodi Deviato Jurusa Matematia, Faultas MIPA, Uiversitas Adalas Kamus Limau Mais, Padag 563, Sumatera Barat, Idoesia Abstra Fugsi arateristi dari suatu
Lebih terperinciBARISAN DAN DERET. U n = suku ke-n Contoh: Barisan bilangan asli, bilangan genap, bilangan ganjil, dan lain-lain.
BARIAN DAN DERET A. Barisa Barisa adalah uruta bilaga yag memilii atura tertetu. etiap bilaga pada barisa disebut suu barisa yag dipisaha dega lambag, (oma). Betu umum barisa:,, 3, 4,, dega: = suu pertama
Lebih terperinciSinyal dan Sistem Waktu Diskrit ET 3005 Pengolahan Sinyal Waktu Diskrit EL 5155 Pengolahan Sinyal Waktu Diskrit
Siyal da Sistem Watu Disrit ET 35 Pegolaha Siyal Watu Disrit EL 5155 Pegolaha Siyal Watu Disrit Effria Yati Hamid 1 2 Siyal da Sistem Watu Disrit 2.1 Siyal Watu Disrit 2.1.1 Pegertia Siyal Watu Disrit
Lebih terperinciAplikasi Sistem Orthonormal Di Ruang Hilbert Pada Deret Fourier
Apliasi Sistem Orthoormal Di Ruag Hilbert Pada Deret Fourier A 7 Fitriaa Yuli S. FMIPA UNY Abstra Ruag hilbert aa dibahas pada papper ii. Apliasi system orthoormal aa diaji da aa diapliasia pada ruahg
Lebih terperinciPenggunaan Transformasi z
Pegguaa Trasformasi pada Aalisa Respo Freuesi Sistem FIR Oleh: Tri Budi Satoso E-mail:tribudi@eepis-its.eduits.edu Lab Siyal,, EEPIS-ITS ITS /3/6 osep pemiira domais of represetatio Domai- discrete time:
Lebih terperinciPEMBUKTIAN SIFAT RUANG BANACH PADA D(K)
JMP : Volume 4 Nomor 1, Jui 2012, hal. 41-50 PEMBUKTIAN SIFAT RUANG BANACH PADA D(K) Malahayati Program Studi Matematia Faultas Sais da Teologi UIN Sua Kalijaga malahayati_01@yahoo.co.id ABSTRACT. I this
Lebih terperinciPERBANDINGAN PENDEKATAN SEPARABLE PROGRAMMING DENGAN THE KUHN-TUCKER CONDITIONS DALAM PEMECAHAN MASALAH NONLINEAR
Jural Tei da Ilmu Komputer PERBANDINGAN PENDEKATAN SEPARABLE PROGRAMMING DENGAN THE KUHN-TUCKER CONDITIONS DALAM PEMECAHAN MASALAH NONLINEAR Budi Marpaug Faultas Tei da Ilmu Komputer Jurusa Tei Idustri
Lebih terperinciMAKALAH TEOREMA BINOMIAL
MAKALAH TEOREMA BINOMIAL Disusu utu memeuhi tugas mata uliah Matematia Disrit Dose Pegampu : Dr. Isaii Rosyida, S.Si, M.Si Rombel B Kelompo 2 1. Wihdati Martalya (0401516006) 2. Betha Kuria S. (0401516012)
Lebih terperinciBab 5 Sinyal dan Sistem Waktu Diskrit. Oleh: Tri Budi Santoso Laboratorium Sinyal, EEPIS-ITS
Bab 5 Siyal da Sistem Watu Disrit Oleh: Tri Budi Satoso Laboratorium Siyal, EEPIS-ITS Materi: Represetasi matemati pada siyal watu disrit, domai watu da freuesi pada suatu siyal watu disrit, trasformasi
Lebih terperinciSIMULASI MODEL RLC BERBANTUAN MS EXCEL ASSISTED RLC MODEL SIMULATION MS EXCEL
SIMULASI MODEL RLC BERBANTUAN MS EXCEL ASSISTED RLC MODEL SIMULATION MS EXCEL Edag Habiuddi (Staf Pegajar UP MKU Politei Negeri Badug (Email : ed_.hab@yahoo.co.id ABSTRAK Sistem ragaia listri RLC seri
Lebih terperinciPRISMA FISIKA, Vol. VI, No. 2 (2018), Hal ISSN :
Estimasi Curah Huja di Kota Potiaak Megguaka Metode Propagasi Balik Berdasarka Parameter Cuaca da Suhu Permukaa Laut Ika Oktaviaigsih a, Muliadi b*, Apriasyah c a Prodi Fisika, b Prodi Geofisika, c Prodi
Lebih terperinciPREDIKSI ph AIR HUJAN DI KALIMANTAN BARAT DENGAN METODE BACKPROPAGATION
Buleti Ilmiah Math. Stat. da Terapaya (Bimaster) Volume 04, No. 3 (2015), hal 397 406. PREDIKSI ph AIR HUJAN DI KALIMANTAN BARAT DENGAN METODE BACKPROPAGATION Fra Siskus Dia Ariato, Muhlasah Novitasari
Lebih terperinciBab 16 Integral di Ruang-n
Catata Kuliah MA3 Kalulus Elemeter II Oi Neswa,Ph.D., Departeme Matematia-ITB Bab 6 Itegral di uag- Itegral Gada atas persegi pajag Itegral Berulag Itegral Gada atas Daerah sebarag Itegral Gada Koordiat
Lebih terperinciMata Kuliah : Matematika Diskrit Program Studi : Teknik Informatika Minggu ke : 5
Mata Kuliah : Matematia Disrit Program Studi : Tei Iformatia Miggu e : 5 KOMBINATORIAL PENDAHULUAN Persoala ombiatori bua merupaa persoala baru dalam ehidupa yata. Baya persoala ombiatori sederhaa telah
Lebih terperinciMakalah Tugas Akhir. Abstract
Maalah Tugas Ahir IDENTIFIKASI JENIS PENYAKIT KULIT BERDASARKAN ANALISIS WARNA DAN TEKSTUR PADA CITRA KULIT MENGGUNAKAN KLASIFIKASI K-NEAREST NEIGHBOR Faris Fitriato 1, R Rizal Isato 2, Ajub Ajulia Zahra.
Lebih terperinciPROSIDING ISBN:
S-6 Perlukah Cross Validatio dilakuka? Perbadiga atara Mea Square Predictio Error da Mea Square Error sebagai Peaksir Harapa Kuadrat Kekelirua Model Yusep Suparma (yusep.suparma@ upad.ac.id) Uiversitas
Lebih terperinciBAB 6 NOTASI SIGMA, BARISAN DAN DERET
BAB 6 NOTASI SIGMA, BARISAN DAN DERET A RINGKASAN MATERI. Notasi Sigma Diberia suatu barisa bilaga, a, a,..., a. Lambag deret tersebut, yaitu: a = a + a +... + a a meyataa jumlah suu pertama barisa Sifat-sifat
Lebih terperinci3. Integral (3) (Integral Tentu)
Darublic www.darublic.com. Itegral () (Itegral Tetu).. Luas Sebagai Suatu Itegral. Itegral Tetu Itegral tetu meruaa itegral ag batas-batas itegrasia jelas. Kose dasar dari itegral tertetu adalah luas bidag
Lebih terperinciBAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK
BAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK Proses pengenalan dilauan dengan beberapa metode. Pertama
Lebih terperinciPerluasan Uji Kruskal Wallis untuk Data Multivariat
Statistia, Vol. No., Mei Perluasa Uji Krusal Wallis utu Data Multivariat TETI SOFIA YANTI Program Studi Statistia, Uiversitas Islam Badug, Jl. Purawarma No. Badug. E-mail: buitet@yahoo.com ABSTAK Adaia
Lebih terperinciPERBANDINGAN BEBERAPA MODEL UNTUK KINERJA ALGORITMA BACKPROPAGATION COMPARISON OF SOME MODEL FOR PEFORMANCE IMPROVEMENT IN BACKPROPAGATION ALGORITHM
JURNAL TEKNOLOGI INFORMASI DAN KOMUNIKASI Vol.6 No. 2, Desember 217 : 8-91 PERBANDINGAN BEBERAPA MODEL UNTUK KINERJA ALGORITMA BACKPROPAGATION COMPARISON OF SOME MODEL FOR PEFORMANCE IMPROVEMENT IN BACKPROPAGATION
Lebih terperinciBAB II LANDASAN TEORI. persamaan yang mengandung diferensial. Persamaan diferensial
5 BAB II LANDASAN TEORI A. Persamaa Diferesial Dari ata persamaa da diferesial, dapat diliat bawa Persamaa Diferesial beraita dega peelesaia suatu betu persamaa ag megadug diferesial. Persamaa diferesial
Lebih terperinciBab 6: Analisa Spektrum
BAB Aalisa Spetrum Bab : Aalisa Spetrum Aalisa Spetrum Dega DFT Tujua Belajar Peserta dapat meghubuga DFT dega spetrum dari sial hasil samplig sial watu otiue. -poit DFT dari sial x adalah Xω ag diealuasi
Lebih terperinciPemilihan Kapasitas Dan Lokasi Optimal Kapasitor Paralel Pada Sistem Distribusi Daya Listrik
ELECTRICIAN Jural Reayasa da Teologi Eletro 0 Pemiliha Kapasitas Da Loasi Optimal Paralel Pada Sistem Distribusi Daya Listri Osea Zebua Jurusa Tei Eletro, Faultas Tei, Uiversitas Lampug Jl. Prof. Sumatri
Lebih terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.1. Tempat da Watu Peelitia Peelitia megeai Kepuasa Kosume Restora Gampoeg Aceh, dilasaaa pada bula Mei 2011 higga Jui 2011. Restora Gampoeg Aceh, bertempat di Jl Pajajara, Batarjati,
Lebih terperinciMetode Perhitungan Grafik Dalam Geolistrik Tahanan Jenis Bumi Dengan Derajat Pendekatan Satu
Metode Perhituga Grafi.. P. Maurug Metode Perhituga Grafi Dalam Geolistri Tahaa Jeis Bumi Dega Derajat Pedeata Satu Posma Maurug Jurusa Fisia, FMIPA Uiversitas Lampug Jl. S. Brojoegoro No. Badar Lampug
Lebih terperinciBAB V UKURAN GEJALA PUSAT (TENDENSI CENTRAL)
BAB V UKURAN GEJALA PUSAT (TENDENSI CENTRAL) Setiap peelitia selalu berkeaa dega sekelompok data. Yag dimaksud kelompok disii adalah: Satu orag mempuyai sekelompok data, atau sekelompok orag mempuyai satu
Lebih terperinciMASALAH DAN ALTERNATIF JAWABAN DALAM MATEMATIKA KOMBINATORIK. Masalah 1 Terdapat berapa carakah kita dapat memilih 2 baju dari 20 baju yang tersedia?
Kartia Yuliati, SPd, MSi MASALAH DAN ALTERNATIF JAWABAN DALAM MATEMATIKA KOMBINATORIK Masalah Terdapat berapa caraah ita dapat memilih baju dari 0 baju yag tersedia? Cara Misala baju diberi omor dari sampai
Lebih terperinciBAB VII RANDOM VARIATE DISTRIBUSI DISKRET
BAB VII RANDOM VARIATE DISTRIBUSI DISKRET Diskret radom variabel dapat diguaka utuk berbagai radom umber yag diambil dalam betuk iteger. Pola kebutuha ivetori (persediaa) merupaka cotoh yag serig diguaka
Lebih terperinciModul Kuliah statistika
Modul Kuliah statistika Dose: Abdul Jamil, S.Kom., MM SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER MUHAMMADIYAH JAKARTA Bab 2 Populasi da Sampel 2.1 Populasi Populasi merupaka keseluruha pegamata
Lebih terperinciSTUDI TENTANG BEBERAPA MODIFIKASI METODE ITERASI BEBAS TURUNAN
STUDI TENTANG BEBERAPA MODIFIKASI METODE ITERASI BEBAS TURUNAN Supriadi Putra, M,Si Laboratorium Komputasi Numerik Jurusa Matematika FMIPA Uiversitas Riau e-mail : spoetra@yahoo.co.id ABSTRAK Makalah ii
Lebih terperinciPENJADWALAN JOBS PADA SINGLE MACHINE DENGAN MEMINIMUMKAN VARIANS WAKTU PENYELESAIAN JOBS (Studi Kasus di P.T. XYZ )
(Fey Nilawati Kusuma et al.) PENJADWALAN JOBS PADA SINGLE MACHINE DENGAN MEMINIMUMKAN VARIANS WAKTU PENYELESAIAN JOBS (Studi Kasus di P.T. XYZ ) I Gede Agus Widyadaa I Nyoma Sutapa Dose Faultas Teologi
Lebih terperinciPENGGGUNAAN ALGORITMA GAUSS-NEWTON UNTUK MENENTUKAN SIFAT-SIFAT PENAKSIR PARAMETER DAN
PENGGGUNAAN ALGORITMA GAUSS-NEWTON UNTUK MENENTUKAN SIFAT-SIFAT PENAKSIR PARAMETER DAN DALAM SUATU MODEL NON-LINIER Abstrak Nur ei 1 1, Jurusa Matematika FMIPA Uiversitas Tadulako Jl. Sukaro-Hatta Palu,
Lebih terperinciBAB V ANALISA PEMECAHAN MASALAH
89 BAB V ANALISA PEMECAHAN MASALAH Dalam upaya mearik kesimpula da megambil keputusa, diperluka asumsi-asumsi da perkiraa-perkiraa. Secara umum hipotesis statistik merupaka peryataa megeai distribusi probabilitas
Lebih terperinci: XII (Dua Belas) Semua Program Studi. : Gisoesilo Abudi, S.Pd
R e f r e s h Program Diklat K e l a s M a t e r i Pegajar : M A T E M A T I K A : XII (Dua Belas) Semua Program Studi : S t a t i s t i k a : Gisoesilo Abudi, S.Pd Kajia Materi Peyampaia Data Diagram
Lebih terperinciPengenalan Pola. Regresi Linier
Pegeala Pola Regresi Liier PTIIK - 014 Course Cotets 1 Defiisi Regresi Liier Model Regresi Liear 3 Estimasi Regresi Liear 4 Studi Kasus da Latiha Defiisi Regresi Liier Regresi adalah membagu model utuk
Lebih terperinciBAHAN AJAR DIKLAT GURU MATEMATIKA
BAHAN AJAR DIKLAT GURU MATEMATIKA DEPARTEMEN PENDIDIKAN NASIONAL DIREKTORAT JENDERAL PENDIDIKAN DASAR DAN MENENGAH DIREKTORAT PENDIDIKAN MENENGAH KEJURUAN 005 DAFTAR ISI Kata Pegatar.. i Daftar Isi...
Lebih terperinciPENGGUNAAN ARTIFICIAL NEURAL NETWORK UNTUK PREDIKSI TEGANGAN PADA BALOK KASTELA HEKSAGONAL BENTANG 1 METER (001S)
PENGGUNAAN ARTIFICIAL NEURAL NETWORK UNTUK PREDIKSI TEGANGAN PADA BALOK KASTELA HEKSAGONAL BENTANG METER (00S) Ahmad Muhtarom Jurusa Tekik Sipil, Uiversitas Sriwijaya, Jl. Raya Palembag-Prabumulih KM.3
Lebih terperinciBAB 3 METODE PENELITIAN
BAB 3 METODE PENELITIAN 3.1 Metode Pegumpula Data Dalam melakuka sebuah peelitia dibutuhka data yag diguaka sebagai acua da sumber peelitia. Disii peulis megguaka metode yag diguaka utuk melakuka pegumpula
Lebih terperinciJaringan Sistem Informasi Robotik Vol. 2, No. 01, Maret 2018
Peerapa Jariga Syaraf Tirua Utuk Memprediksi Volume Pemakaia Air Dega Metode Backpropagatio (Studi Kasus PT. PDAM Kota Padag) Khelvi Ovela Putra 1, Guadi Widi Nurcahyo 2, Julius Satoy 3 123 Program Pascasarjaa
Lebih terperinciUKURAN PEMUSATAN UKURAN PENYEBARAN
UKURAN PEMUSATAN DATA TUNGGAL DATA KELOMPOK. MEAN / RATA-RATA. MODUS 3. MEDIAN 4. KUARTIL. MEAN / RATA-RATA. MODUS 3. MEDIAN 4. KUARTIL UKURAN PENYEBARAN JANGKAUAN HAMPARAN RAGAM / VARIANS SIMPANGAN BAKU
Lebih terperinciOPTIMASI PENEMPATAN DISTRIBUTED GENERATION PADA IEEE 30 BUS SYSTEM MENGGUNAKAN BEE COLONY ALGORITHM
OPTIMASI PENEMPATAN DISTRIBUTED GENERATION PADA IEEE 30 BUS SYSTEM MENGGUNAKAN BEE COLONY ALGORITHM Nur Ilham Luthfi *), Yuigtyastuti, ad Susatyo Hadoo Jurusa Tei Eletro, Uiversitas Dipoegoro Semarag Jl.
Lebih terperinciPREDIKSI HARGA EMAS MENGGUNAKAN METODE NEURAL NETWORK BACKROPAGATION ALGORITMA CONJUGATE GRADIENT
Jural ELTIKOM, Vol. 1 No.2, Desember 2017, Hal 64-70, Tersedia Olie di http://eltikom.poliba.ac.id PREDIKSI HARGA EMAS MENGGUNAKAN METODE NEURAL NETWORK BACKROPAGATION ALGORITMA CONJUGATE GRADIENT Yuslea
Lebih terperinciMASALAH DISTRIBUSI BOLA KE DALAM WADAH SEBAGAI FUNGSI ATAU KUMPULAN FUNGSI
Vol. 11, No. 1, 45-55, Juli 2014 MASALAH DISTRIBUSI BOLA KE DALAM WADAH SEBAGAI FUNGSI ATAU KUMPULAN FUNGSI Fauziah Baharuddi 1, Loey Haryato 2, Nurdi 3 Abstra Peulisa ii bertujua utu medapata perumusa
Lebih terperinciANALISA PENGARUH PANJANG BELT CONVEYOR TERHADAP FREKUENSI REPAIR SEBELUM DAN SESUDAH MENGGUNAKAN LOCKING BOLT PADA SAMBUNGAN COLD SPLICING ABSTRAKSI
ANALIA PENGARUH PANJANG BELT CONVEYOR TERHAAP FREKUENI REPAIR EBELUM AN EUAH MENGGUNAKAN LOCKING BOLT PAA AMBUNGAN COL PLICING ABTRAKI Ach. Hadi Widodo¹,Priyagug Hartoo²,uatmio³ ¹Mahasiswa Tei Mesi,Uiversitas
Lebih terperinciBAB III METODE PENELITIAN. Penelitian ini bertujuan untuk mengetahui ada tidaknya peningkatan
BAB III METODE PENELITIAN A. Desai Peelitia Peelitia ii bertujua utu megetahui ada tidaya peigata emampua siswa dalam pealara setelah megguaa model pembelajara berbasis masalah terstrutur dalam pembelajara
Lebih terperinciPERTEMUAN 3 CARA MEMBUAT TABEL DISTRIBUSI FREKUENSI UKURAN PEMUSATAN DATA
PERTEMUAN 3 CARA MEMBUAT TABEL DISTRIBUSI FREKUENSI UKURAN PEMUSATAN DATA Cara Peyajia Data dega Tabel Distribusi Frekuesi Distribusi Frekuesi adalah data yag disusu dalam betuk kelompok baris berdasarka
Lebih terperinciEstimasi Prob. Density Function dengan EM
Estimasi rob. Desity Fuctio dega EM Sumber: -Forsyth & oce Chap. 7 -Stadford Visio & Modelig robability Desity Estimatio arametric Represetatios o-arametric Represetatios Miture Models age Metode estimasi
Lebih terperinciBab 3 Metode Interpolasi
Baha Kuliah 03 Bab 3 Metode Iterpolasi Pedahulua Iterpolasi serig diartika sebagai mecari ilai variabel tergatug tertetu, misalya y, pada ilai variabel bebas, misalya, diatara dua atau lebih ilai yag diketahui
Lebih terperinciDistribusi Sampel, Likelihood dan Penaksir
BAB 1 Distribusi Sampel, Likelihood da Peaksir 1.1 Sampel Acak Misalka X 1, X 2,..., X sampel acak berukura (radom sample of size ). Fugsi peluag -variat ya adalah f X1,X 2,,X (x 1, x 2,..., x ) = f Xi
Lebih terperincikhazanah Sistem Klasifikasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunakan Jaringan Syaraf Tiruan Backpropagation informatika
hazanah informatia Jurnal Ilmu Komputer dan Informatia Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan Syaraf Tiruan Bacpropagation Yusuf Dwi Santoso *, Suhartono Departemen
Lebih terperincikhazanah Sistem Klasifikasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunakan Jaringan Syaraf Tiruan Backpropagation informatika
hazanah informatia Jurnal Ilmu Komputer dan Informatia Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan Syaraf Tiruan Bacpropagation Yusuf Dwi Santoso *, Suhartono Program
Lebih terperinciUKURAN PEMUSATAN DATA
Malim Muhammad, M.Sc. UKURAN PEMUSATAN DATA J U R U S A N A G R O T E K N O L O G I F A K U L T A S P E R T A N I A N U N I V E R S I T A S M U H A M M A D I Y A H P U R W O K E R T O DEFINISI UKURAN PEMUSATAN
Lebih terperinciSTUDI TENTANG PETA KENDALI p YANG DISTANDARISASI UNTUK PROSES PENDEK KUALITAS
STUDI TENTANG PETA KENDALI p YANG DISTANDARISASI UNTUK PROSES PENDEK KUALITAS (Tati Octavia et al.) STUDI TENTANG PETA KENDALI p YANG DISTANDARISASI UNTUK PROSES PENDEK KUALITAS Tati Octavia Dose Faultas
Lebih terperinciKonvolusi pada Distribusi dengan Support Kompak
Prosidig SI MaNIs (Semiar Nasioal Itegrasi Matematia da Nilai Islami) Vol1, No1, Juli 2017, Hal 453-457 p-issn: 2580-4596; e-issn: 2580-460X Halama 453 Kovolusi pada Distribusi dega Support Kompa Cythia
Lebih terperinciAproksimasi Terbaik dalam Ruang Metrik Konveks
Aprosimasi Terbai dalam Ruag etri Koves Oleh : Suharsoo S Jurusa atematia FIPA Uiversitas Lampug Abstra asalah esistesi da etuggala aprosimasi terbai suatu titi dalam ruag berorm telah dipelajari oleh
Lebih terperinciPENAKSIR RASIO UNTUK RATA-RATA POPULASI MENGGUNAKAN KOEFISIEN VARIASI DAN KOEFISIEN KURTOSIS PADA SAMPLING GANDA
PEAKSIR RASIO UTUK RATA-RATA POPULASI MEGGUAKA KOEFISIE VARIASI DA KOEFISIE KURTOSIS PADA SAMPLIG GADA Heru Agriato *, Arisma Ada, Firdaus Mahasiswa Program S Matematika Dose Jurusa Matematika Fakultas
Lebih terperinciPertemuan Ke-11. Teknik Analisis Komparasi (t-test)_m. Jainuri, M.Pd
Pertemua Ke- Komparasi berasal dari kata compariso (Eg) yag mempuyai arti perbadiga atau pembadiga. Tekik aalisis komparasi yaitu salah satu tekik aalisis kuatitatif yag diguaka utuk meguji hipotesis tetag
Lebih terperincix x x1 x x,..., 2 x, 1
0.4 Variasi Kaoi amel Da Korelasi Kaoi amel amel aca dari observasi ada masig-masig variabel dari ( + q) variabel (), () daat digabuga edalam (( + q) ) data matris,,..., dimaa (0-5) Adau vetor rata-rata
Lebih terperinciKeywords: Convergen Series, Banach Space, Sequence space cs, Dual-α, Dual-
Jural MIPA FST UNDANA, Volume 2, Nomor, April 26 DUAL-, DUAL- DAN DUAL- DARI RUANG BARISAN CS Albert Kumaereg, Ariyato 2, Rapmaida 3,2,3 Jurusa Matematia, Faultas Sais da Tei Uiversitas Nusa Cedaa ABSTRACT
Lebih terperinciJurnal Ilmu Matematika dan Terapan Maret 2016 Volume 10 Nomor 1 Hal
Jural Ilmu Matematia da Terapa Maret 16 Volume 1 Nomor 1 Hal. 61 68 ANALISIS FAKTOR-FAKTOR YANG MEMPERNGARUHI KANKER LEHER RAHIM DI KOTA AMBON DENGAN MENGGUNAKAN REGRESI LOGISTIK BINER (Studi asus: Pasie
Lebih terperinciJARINGAN SARAF TIRUAN PROPAGASI BALIK UNTUK KLASIFIKASI DATA
JARINGAN SARAF TIRUAN PROPAGASI BALIK UNTUK KLASIFIKASI DATA Giri Dhaneswara 1) dan Veronica S. Moertini 2) Jurusan Ilmu Komputer, Universitas Katoli Parahyangan, Bandung Email: 1) rebirth_82@yahoo.com,
Lebih terperinciANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS
Jurnal Teni dan Ilmu Komputer ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS AN ANALYSIS OF THE VARIATION PARAMETERS OF THE ARTIFICIAL NEURAL NETWORK
Lebih terperinciUKURAN TENDENSI SENTRAL
BAB 3 UKURAN TENDENSI SENTRAL Kompetesi Mampu mejelaska da megaalisis kosep dasar ukura tedesi setral. Idikator 1. Mejelaska da megaalisis mea.. Mejelaska da megaalisis media. 3. Mejelaska da megaalisis
Lebih terperinciKLASIFIKASI MUTASI JABATAN STRUKTURAL PEGAWAI NEGERI SIPIL MENGGUNAKAN METODE DECISION TREE
KLASIFIKASI MUTASI JABATAN STRUKTURAL PEGAWAI NEGERI SIPIL MENGGUNAKAN METODE DECISION TREE Yati, I Ketut Edy Purama, da Surya Sumpeo Tekik Elektro,Istitut Tekologi Sepuluh Nopember Alamat: Gedug B, C
Lebih terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA) PENGENALAN WAJAH DUA DIMENSI MENGGUNAKAN MULTI-LAYER PERCEPTRON BERDASARKAN NILAI PCA DAN LDA
27 PENGENALAN WAJAH DUA DIMENSI MENGGUNAKAN MULTI-LAYER PERCEPTRON BERDASARKAN NILAI PCA DAN LDA Shofwatul Uyu 1, Muhammad Fadzlur Rahma 2 1,2 Program Studi Tekik Iformatika, Fakultas Sais da Tekologi,
Lebih terperinciPENGOLAHAN SINYAL DIGITAL. Modul 5. Sistem Waktu Diskret dan Aplikasi TZ
PENGOLHN SINL DIGITL Modul 5. Sistem Watu Disret da pliasi TZ Cotet Overview Sistem Watu Disrit Sstem Properties Shift Ivariace, Kausalitas, Stabilitas diaita dega TZ Trasformasi sistem dari persamaa differece
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakag Didalam melakuka kegiata suatu alat atau mesi yag bekerja, kita megeal adaya waktu hidup atau life time. Waktu hidup adalah lamaya waktu hidup suatu kompoe atau uit pada
Lebih terperinciJurnal MIPA 38 (1) (2015): Jurnal MIPA.
Jural MIPA 38 () (5): 68-78 Jural MIPA http://ouraluesacid/u/idephp/jm APROKSIMASI ANUIAS HIDUP MENGGUNAKAN KOMBINASI EKSPONENSIAL LJ Siay S Gurito Guardi 3 Jurusa Matematia FMIPA Uiversitas Pattimura
Lebih terperinciPETA KONSEP RETURN dan RISIKO PORTOFOLIO
PETA KONSEP RETURN da RISIKO PORTOFOLIO RETURN PORTOFOLIO RISIKO PORTOFOLIO RISIKO TOTAL DIVERSIFIKASI PORTOFOLIO DENGAN DUA AKTIVA PORTOFOLIO DENGAN BANYAK AKTIVA DEVERSIFIKASI DENGAN BANYAK AKTIVA DEVERSIFIKASI
Lebih terperinci1.1 METODE PENGEMBANGAN PENDEKATAN RATA- RATA SAMPEL UNTUK PROGRAM STOKASTIK DUA TAHAP. Faridawaty Marpaung. Abstrak
METODE PEGEMBAGA PEDEKATA RATA- RATA SAMPEL UTUK PROGRAM STOKASTIK DUA TAHAP Faridawaty Marpaug Abstra Peelitia ii megemuaa metode pegembaga pedeata rata rata sampel utu program stoasti dua tahap. Metodologi
Lebih terperinciBAB 6: ESTIMASI PARAMETER (2)
Bab 6: Estimasi Parameter () BAB 6: ESTIMASI PARAMETER (). ESTIMASI PROPORSI POPULASI Proporsi merupaka perbadiga atara terjadiya suatu peristiwa dega semua kemugkiaa peritiwa yag bisa terjadi. Besara
Lebih terperinciPenulis: Penilai: Editor: Ilustrator: Dra. Puji Iryanti, M.Sc. Ed. Al. Krismanto, M.Sc. Sri Purnama Surya, S.Pd, M.Si. Fadjar N. Hidayat, S.Si.,M.Ed.
PAKET FASILITASI PEMBERDAYAAN KKG/MGMP MATEMATIKA Pembelajara Barisa, Deret Bilaga da Notasi Sigma di SMA Peulis: Dra. Puji Iryati, M.Sc. Ed. Peilai: Al. Krismato, M.Sc. Editor: Sri Purama Surya, S.Pd,
Lebih terperinciBab III Metoda Taguchi
Bab III Metoda Taguchi 3.1 Pedahulua [2][3] Metoda Taguchi meitikberatka pada pecapaia suatu target tertetu da meguragi variasi suatu produk atau proses. Pecapaia tersebut dilakuka dega megguaka ilmu statistika.
Lebih terperinciDISAIN DAN IMPLEMENTASI PERANGKAT LUNAK KLASIFIKASI CITRA INDERAJA MULTISPEKTRAL SECARA UNSUPERVISED
DISAIN DAN IMPLEMENTASI PERANGAT LUNA LASIFIASI CITRA INDERAJA MULTISPETRAL SECARA UNSUPERVISED AGUS ZAINAL ARIFIN, Faultas Teologi Iformasi, Istitut Teologi Sepuluh Nopember, Surabaya Gedug Tei Iformatia,
Lebih terperinciIII. METODOLOGI PENELITIAN. Penelitian ini dilakukan di SMA Negeri 1 Way Jepara Kabupaten Lampung Timur
0 III. METODOLOGI PENELITIAN A. Lokasi da Waktu Peelitia Peelitia ii dilakuka di SMA Negeri Way Jepara Kabupate Lampug Timur pada bula Desember 0 sampai Mei 03. B. Populasi da Sampel Populasi dalam peelitia
Lebih terperinciPENGENDALIAN MOTOR DC MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PENGENDALIAN MOTOR DC MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Wahyudi, Sorihi, dan Iwan Setiawan. Jurusan Teni Eletro Faultas Teni Universitas Diponegoro Semarang e-mail : wahyuditinom@yahoo.com.
Lebih terperinci--Fisheries Data Analysis-- Perbandingan ragam. By. Ledhyane Ika Harlyan. Faculty of Fisheries and Marine Science Brawijaya University
--Fisheries Data Aalysis-- Perbadiga ragam By. Ledhyae Ika Harlya Faculty of Fisheries ad Marie Sciece Brawijaya Uiversity Tujua Istruksioal Khusus Mahasiswa dapat megguaka aalisis statistika sederhaa
Lebih terperinciBAB III TAKSIRAN KOEFISIEN KORELASI POLYCHORIC DUA TAHAP. Permasalahan dalam tugas akhir ini dibatasi hanya pada penaksiran
BAB III TAKSIRAN KOEFISIEN KORELASI POLYCHORIC DUA TAHAP Permasalaha dalam tugas akhir ii dibatasi haya pada peaksira besarya koefisie korelasi polychoric da tidak dilakuka peguia terhadap koefisie korelasi
Lebih terperinciProgram Pasca Sarjana Terapan Politeknik Elektronika Negeri Surabaya PENS. Probability and Random Process. Topik 10. Regresi
Program Pasca Sarjaa Terapa Politekik Elektroika Negeri Surabaya Probability ad Radom Process Topik 10. Regresi Prima Kristalia Jui 015 1 Outlie 1. Kosep Regresi Sederhaa. Persamaa Regresi Sederhaa 3.
Lebih terperinciKORELASI POLISERIAL UNTUK PENDUGAAN PARAMETER STRUCTURAL EQUATION MODELING
Kode Maalah M- KORELASI POLISERIAL UNTUK PENDUGAAN PARAMETER STRUCTURAL EQUATION MODELING SEM Oleh : Nur Rusliah Prof. Dr. Dra. Susati Liuwih, M.Stat Dra. Kartia Fitriasari, M.Si. ABSTRAK Structural Equatio
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Distribusi Ekspoesial Fugsi ekspoesial adalah salah satu fugsi yag palig petig dalam matematika. Biasaya, fugsi ii ditulis dega otasi exp(x) atau e x, di maa e adalah basis logaritma
Lebih terperinciREGRESI DAN KORELASI SEDERHANA
REGRESI DAN KORELASI SEDERHANA Apa yag disebut Regresi? Korelasi? Aalisa regresi da korelasi sederhaa membahas tetag keterkaita atara sebuah variabel (variabel terikat/depede) dega (sebuah) variabel lai
Lebih terperinci